107 高普考高考三級 衛生行政 流行病學 考古題詳解

核心觀念

1. 率的標準化與干擾控制（Rate Standardization and Confounding Control）：

• 粗率（Crude Rate）：未考慮人口結構（如年齡、性別）差異，直接以發病人數或現存病患數除以總人口數所得之率。
• 年齡性別校正率／標準化率（Age- and Sex-Adjusted Rate / Standardized Rate）：採用直接標準化法（Direct Standardization），將各年齡與性別分層之特定率（Specific rate）加權套用至同一基準之「標準人口結構」，目的在消除年齡與性別結構不同所造成的干擾作用（Confounding effect），使不同年份或不同族群間的疾病風險具可比性。
• 若疾病風險隨年齡增加而上升（年齡為正向危險因子），且觀察母體的年齡結構比標準人口老化，則粗率必高於校正後率；兩者差距越大，代表該母體的人口老化效應越顯著。

2. 發生率、盛行率與病程之動態平衡（Relationship between Incidence, Prevalence, and Duration）： 在動態且相對穩定的群體中，盛行率（Prevalence, $P$）、發生率（Incidence, $I$）與平均病程或存活時間（Average Duration, $\bar{D}$）存在以下近似數學關係： $P \approx I \times \bar{D}$ 盛行率反映個案在庫存池（Pool）中的蓄積狀態，由新發病者之流入（Inflow）與死亡或痊癒者之流出（Outflow）共同決定。透析為不可逆之替代療法（極少數接受腎臟移植），流出主要取決於病患死亡率。
3. 透析病患存活率與醫療照護品質指標： 平均存活年數（Average Survival Years）為評估末期腎病（ESRD）臨床醫療處置、併發症預防及整體照護成效之核心預後指標。

解題方法

1. 第（一）小題：以流行病學的「干擾控制」切入。比較各年度粗率（校正前）高於標準化率（校正後）之現象，點出「年齡」為透析發生與盛行的強烈干擾因子，並結合台灣「人口結構快速高齡化」之人口學事實，闡明校正前後之差額反映了人口老化對疾病負擔的膨脹效應。
2. 第（二）小題：運用流行病學基本公式 $P \approx I \times \bar{D}$ 與「浴缸動態模型」切入。校正後發生率 $I$ 下降反映初級與次級預防成效，而校正後盛行率 $P$ 反而上升，在數理邏輯與流行病學機制上必然導因於平均存活時間 $\bar{D}$ 的顯著拉長（死亡流出減少），造成盛行個案持續累積。
3. 第（三）小題：分析平均存活年數延長的臨床照護進展（如透析充分性提升、心血管併發症控制、紅血球生成素應用等），並延伸至衛生行政政策層面，探討高齡透析、多重共病、長期照護需求及健保財務負荷加重之意涵。

選項分析 本題為公職高考試題之申論與流行病學數據分析題，非選擇題，故無個別選項。各小題之完整申論評分重點與論述內容詳見下方【答案】。

解題技巧

1. 指標意義兩分法：

• 看到「粗率」：聯想到「現實社會與健保體系面臨的實質醫療資源消耗與經濟負擔」。
• 看到「校正後率」：聯想到「排除人口結構干擾後，人群中真正的生物學發病風險或控制成效」。

2. 經典公式套用： 遇到「發生率下降但盛行率上升」的經典考題，務必寫出 $P \approx I \times \bar{D}$，並由「流入量（Inflow）」與「流出量（Outflow）」的角度作答，邏輯完整即可得滿分。
3. 扣合政策與實務： 答題時提及台灣健保推動的「初期慢性腎臟病醫療給付改善方案（Pre-ESRD）」與「三高早期防治」，能展現考生兼具流行病學學理與公衛行政實務的專業深度。

【答案】

（一）年齡性別校正前後數據差異之意義

核心觀念

本題評量流行病學中「疾病篩檢（Screening）」的核心評估指標及其相互關係，主要涵蓋以下觀念與公式：

1. 基本指標定義：

• 盛行率（Prevalence, $P$）：特定族群在特定時間點患有該疾病的人口比例，$P = \frac{\text{有病總人數}}{\text{總人口數}}$。
• 敏感度（Sensitivity, $Se$）：真有病者中，篩檢結果呈現陽性的機率，$Se = P(T^+ \mid D^+) = \frac{TP}{TP + FN}$。
• 特異度（Specificity, $Sp$）：真無病者中，篩檢結果呈現陰性的機率，$Sp = P(T^- \mid D^-) = \frac{TN}{TN + FP}$。
• 陽性預測值（Positive Predictive Value, $PPV$）：篩檢陽性者中，真正患病的機率，$PPV = P(D^+ \mid T^+) = \frac{TP}{TP + FP}$。

2. 貝氏定理（Bayes' Theorem）與 $PPV$ 公式： $PPV = \frac{P \times Se}{P \times Se + (1 - P) \times (1 - Sp)}$ 其中：

• $TP$（真陽性）$= N \times P \times Se$
• $FP$（偽陽性）$= N \times (1 - P) \times (1 - Sp)$
• $N$ 為總人口數。

解題方法

題目設定總人口數為 $N = 10,000$ 人：

• X 疾病：盛行率 $P_X = 20\%$，故患病人數 $D^+ = 10,000 \times 0.20 = 2,000$ 人；無病人數 $D^- = 8,000$ 人。
• Y 疾病：盛行率 $P_Y = 10\%$，故患病人數 $D^+ = 10,000 \times 0.10 = 1,000$ 人；無病人數 $D^- = 9,000$ 人。

（一）篩檢工具敏感度 $Se = 0.9$、特異度 $Sp = 0.8$

1. X 疾病之陽性預測值：

• 真陽性（$TP$）$= 2,000 \times 0.9 = 1,800$ 人
• 偽陽性（$FP$）$= 8,000 \times (1 - 0.8) = 8,000 \times 0.2 = 1,600$ 人
• 篩檢陽性總數 $= TP + FP = 1,800 + 1,600 = 3,400$ 人 $PPV_X = \frac{1,800}{3,400} = \frac{9}{17} \approx 52.94\%$

2. Y 疾病之陽性預測值：

• 真陽性（$TP$）$= 1,000 \times 0.9 = 900$ 人
• 偽陽性（$FP$）$= 9,000 \times (1 - 0.8) = 9,000 \times 0.2 = 1,800$ 人
• 篩檢陽性總數 $= TP + FP = 900 + 1,800 = 2,700$ 人 $PPV_Y = \frac{900}{2,700} = \frac{1}{3} \approx 33.33\%$

（二）篩檢工具敏感度 $Se = 0.9$、特異度 $Sp = 0.9$

1. X 疾病之陽性預測值：

• 真陽性（$TP$）$= 2,000 \times 0.9 = 1,800$ 人
• 偽陽性（$FP$）$= 8,000 \times (1 - 0.9) = 8,000 \times 0.1 = 800$ 人
• 篩檢陽性總數 $= TP + FP = 1,800 + 800 = 2,600$ 人 $PPV_X = \frac{1,800}{2,600} = \frac{9}{13} \approx 69.23\%$

核心觀念

本題評量流行病學中「病例對照研究（Case-Control Study）」的相關性指標計算，以及「資訊偏誤（Information Bias）」中的「測量／分類錯誤（Misclassification）」對勝算比（Odds Ratio, $OR$）之影響：

1. 病例對照研究之相關性指標：無法直接計算發生率或相對危險度（Relative Risk, $RR$），故以勝算比（Odds Ratio, $OR$）評估暴露與疾病的相關強度： $OR = \frac{a \times d}{b \times c}$
2. 暴露測量效度（Validity of Exposure Measurement）：

• 敏感度（Sensitivity, $Se$）：真實有暴露者中，被問卷正確判定為有暴露的機率：$P(\text{調查有暴露} \mid \text{真實有暴露})$。
• 特異度（Specificity, $Sp$）：真實未暴露者中，被問卷正確判定為未暴露的機率：$P(\text{調查未暴露} \mid \text{真實未暴露})$。
• 偽陽性率（False Positive Rate）為 $1 - Sp$；偽陰性率（False Negative Rate）為 $1 - Se$。

3. 分類錯誤之類型與偏誤方向：

• 非差異性分類錯誤（Non-differential Misclassification）：病例組與對照組的測量效度相同（$Se_{\text{case}} = Se_{\text{control}}$ 且 $Sp_{\text{case}} = Sp_{\text{control}}$）。在二元暴露下，估計之 $OR$ 通常偏向虛無假說（Bias toward the null，即朝 $OR = 1.0$ 移動），導致相關性被低估。
• 差異性分類錯誤（Differential Misclassification）：兩組的測量效度不同。其偏誤方向不可預測，可能遠離虛無（Bias away from the null，高估相關性）、朝向虛無（Bias toward the null，低估相關性），甚至逆轉關聯方向。

解題方法

（一）暴露與疾病的真實相關性

在病例對照研究中，以真實暴露狀態的四格表計算真實勝算比（True $OR$）：

• 病例組的暴露勝算（Odds of exposure in cases）： $\text{Odds}_{\text{case}} = \frac{a}{c} = \frac{90}{30} = 3.0$
• 對照組的暴露勝算（Odds of exposure in controls）： $\text{Odds}_{\text{control}} = \frac{b}{d} = \frac{40}{80} = 0.5$
• 真實勝算比（True $OR$）： $OR_{\text{true}} = \frac{a \times d}{b \times c} = \frac{90 \times 80}{40 \times 30} = \frac{7200}{1200} = 6.0$

（二）兩組敏感度為 0.9、特異度為 0.9 時的相關性

此情境為「非差異性分類錯誤」。設問卷調查結果以星號（$*$）表示：

• 調查有暴露人數 $E^{*+} = (\text{真實有暴露} \times Se) + [\text{真實未暴露} \times (1 - Sp)]$
• 調查未暴露人數 $E^{*-} = [\text{真實有暴露} \times (1 - Se)] + (\text{真實未暴露} \times Sp)$

1. 病例組（$N_1 = 120$）：

• 調查有暴露 ($a^*$)： $a^* = 90 \times 0.9 + 30 \times (1 - 0.9) = 81 + 3 = 84$
• 調查未暴露 ($c^*$)： $c^* = 120 - 84 = 36$ （驗算：$90 \times 0.1 + 30 \times 0.9 = 9 + 27 = 36$）

2. 對照組（$N_0 = 120$）：

• 調查有暴露 ($b^*$)： $b^* = 40 \times 0.9 + 80 \times (1 - 0.9) = 36 + 8 = 44$
• 調查未暴露 ($d^*$)： $d^* = 120 - 44 = 76$ （驗算：$40 \times 0.1 + 80 \times 0.9 = 4 + 72 = 76$）

重組觀察到的四格表：

計算觀察到的勝算比（Observed $OR$）： $OR_{\text{obs}} = \frac{a^* \times d^*}{b^* \times c^*} = \frac{84 \times 76}{44 \times 36} = \frac{6384}{1584} = \frac{133}{33} \approx 4.03$

（三）病例組效度維持 0.9 / 0.9，對照組採兩種不同效度時之相關性

此情境為「差異性分類錯誤」。病例組調查結果維持不變：$a^* = 84$，$c^* = 36$。

1. 第一種效度：對照組敏感度 0.7、特異度 0.95

• 對照組調查有暴露 ($b_1^*$)：

核心觀念

本題評量流行病學之研究設計分類、因果推論原則，以及次級資料與環境監測資料在流行病學應用上的限制：

1. 分析單位（Unit of Analysis）與研究設計判定：區分個體層次（individual-level）與群體／群集層次（group-level or aggregate-level）的研究。當暴露與疾病資料均以「地區群體」為單位時，屬於生態學研究（Ecological study）。
2. 生態謬誤（Ecological fallacy）與因果推論界線：在群體層次觀察到的統計關聯性，不能直接推論為個體層次的因果關聯。生態學研究之本質為「假說形成（hypothesis-generating）」，而非「假說驗證（hypothesis-testing）」。
3. 資料材料之偏差與測量誤差：

• 固定測站資料：代表室外總體環境濃度，無法直接反映個體暴露量（personal exposure）。
• 健保資料庫：作為次級資料（secondary data），缺乏關鍵的生活型態混淆變項，且診斷碼之效度與個體就醫行為易造成選擇與分類偏差。

解題方法

1. 第（一）小題切入點：檢視題幹之暴露測量（環保署空氣品質測站之 $\mathrm{PM}_{2.5}$ 濃度）與結局測量（健保資料庫之地區糖尿病盛行率）。兩者的蒐集與分析層次皆以「地區」為單位，並非針對受試個體進行逐一量測，故唯一判定為「生態學研究」（或稱相關性研究，Correlational study）。
2. 第（二）小題切入點：流行病學下結論必須明確劃分「群體關聯」與「個體因果」。本題只能做群體層次相關性的描述並提出假說，嚴格禁止推論出「吸入較多 $\mathrm{PM}_{2.5}$ 的個人更容易罹患糖尿病」或「$\mathrm{PM}_{2.5}$ 導致糖尿病」。
3. 第（三）小題切入點：採雙軌架構回答，依題意完整拆解為兩大板塊：

• 研究設計本身的缺點：鎖定生態謬誤、缺乏個體層次資料、無法有效控制混淆因子、時序性薄弱等。
• 研究材料本身的缺點：細分「環保署測站資料限制」（測站代表性、無室內暴露、無個人活動模式）與「健保資料庫限制」（診斷正確性、無生活型態與家族史等混淆因子、人口流動問題）。

解題技巧

1. 判斷竅門（黃金法則）：

• 「以個人為分析單位」＋「同時測暴露與結局」$\rightarrow$ 橫斷式研究（Cross-sectional study）。
• 「以群體/行政區為分析單位」＋「同時或回溯探討群體平均值」$\rightarrow$ 生態學研究（Ecological study）。

2. 常見陷阱：

• 陷阱一：誤將題幹的「5 年前」當成追蹤世代研究（Cohort study）。此處並無追蹤個別世代群，暴露值仍是地區測站統計值，結局亦是地區盛行率，不可誤判為世代研究。
• 陷阱二：下結論時過度推論。若寫出「$\mathrm{PM}_{2.5}$ 濃度高會增加個人罹患糖尿病之風險」，會直接落入「生態謬誤」，遭大幅扣分。

3. 得分架構化：申論題（三）配分高達 10 分，作答時須明確分標題列出「研究設計之缺點」與「研究材料之缺點」，展現層次分明的思考結構。

【答案】

（一）研究設計類型（4 分）

本研究屬於生態學研究（Ecological study）（亦稱相關性研究，Correlational study）。